CN111126171A - 一种车辆逆行检测方法及*** - Google Patents

一种车辆逆行检测方法及*** Download PDF

Info

Publication number
CN111126171A
CN111126171A CN201911223911.XA CN201911223911A CN111126171A CN 111126171 A CN111126171 A CN 111126171A CN 201911223911 A CN201911223911 A CN 201911223911A CN 111126171 A CN111126171 A CN 111126171A
Authority
CN
China
Prior art keywords
vehicle
target
module
detection
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911223911.XA
Other languages
English (en)
Inventor
应艳丽
贠周会
谢吉朋
吴斌
叶超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Hongdu Aviation Industry Group Co Ltd
Original Assignee
Jiangxi Hongdu Aviation Industry Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi Hongdu Aviation Industry Group Co Ltd filed Critical Jiangxi Hongdu Aviation Industry Group Co Ltd
Priority to CN201911223911.XA priority Critical patent/CN111126171A/zh
Publication of CN111126171A publication Critical patent/CN111126171A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种车辆逆行检测方法，从前端设备采集视频图像信息后，使用深度学习技术实时检测出所有的车辆位置信息，并根据车辆位置信息统计行驶轨迹，通过行驶轨迹计算车辆的行驶方向，最后与预设的逆行方向进行比较，判断出车辆是否正在逆行，若发现车辆逆行进行语音报警，有效地解决自主设定逆行方向的问题，同时利用深度学习技术对车辆目标进行分类检测和多目标跟踪技术以获得车辆的行驶轨迹进行实时跟踪，从而实现检测车辆逆行事件的实时性和准确性，有效降低逆行检测的误检率，也能够在事件发生第一时间内及时制止逆行车辆行驶人的违规行为，预防交通事故发生。

Description

一种车辆逆行检测方法及***
技术领域
本发明涉及计算机视觉技术技术领域，尤其涉及一种车辆逆行检测方法及***。
背景技术
随着交通领域的发展，我国道路交通标志、标线等交通安全设施的日臻完善，市民遵守交通法规的意识逐渐增强。然而少数机动车驾驶人偏偏“反其道而行之”，将交通法规抛之脑后。车辆逆行是道路交通中比较严重的一种主观违法行为，轻则引起交通堵塞，降低道路通行能力；重则引发交通事故，甚至造成车毁人亡的恶性后果。据我国交警部门对每年发生的重大交通事故统计数据分析，多数都是因为司机逆行造成。
传统的交通视频监控***，在城市主要交通干道、高速公路、国道等重要位置都安装有监控摄像头，由人工进行实时监视道路状况，但在海量的视频大数据形势下，采用人工监视的不足日渐显著，如视觉疲劳、实时性不够、人力耗费量大等。因此，智能交通视频监控技术应运而生。
随着基于视频的智能分析技术发展，智能视频监控***越来越受欢迎，它即能够实时地识别出道路异常状况，及时预防或者处理交通事故，也能够降低视频监控的人力成本。因此，应用于对车辆逆行检测的视频分析技术必不可少。
发明内容
本发明所解决的技术问题在于提供一种车辆逆行检测方法及***，以解决上述背景技术中的问题。
本发明所解决的技术问题采用以下技术方案来实现：
一种车辆逆行检测方法，具体步骤如下：
S0：采集视频图像，对前端获取的视频流使用解码器进行解码，获取rgb格式的三通道图像；
S1：对步骤S0)获取的三通道图像通过颜色空间转换，得到一通道的灰度图像；
GRAY＝R×0.299+G×0.587+B×0.114 (1)
S2：设定监控摄像头中需要检测车辆是否逆行的感兴趣区域；
采用人工标记法，在步骤S0)获取的三通道图像中使用左、右两条曲线将图像中需要监控的单向行驶道路进行标注分割，两条分割线分别记为Ln,左＝{(x1,y1),(x2,y2),......,(xn,yn)}、Ln,右＝{(x1,y1),(x2,y2),......,(xn,yn)}，其中(x,y)表示像素的位置信息，两条分割线之间的区域则为需要进行车辆逆行检测的感兴趣区域，即将Ln,左、Ln,右之间的区域设定为感兴趣区域；
S3：根据预训练的车辆检测模型与多尺度滑动窗口法，对灰度图像各区域进行车辆检测分析，获得车辆目标候选集P；
采集大量道路车辆样本图像，并将道路车辆样本图像裁剪到256×256尺寸，而后在裁剪后的道路车辆样本图像中标记车辆目标位置信息与大小，得到车辆样本集，再利用caffe工具采用基于CNN的深度学习技术对车辆样本集进行训练，得到车辆检测模型；
对车辆目标进行检测时，采用CNN网络中的多尺度滑动窗口方法进行候选目标区域提取，同时采用基于CNN的深度学习目标检测技术对所有候选目标进行分类检测，再根据分类将所有不具有车辆特征的候选目标剔除，保留车辆目标，并记录当前时刻车辆位置信息，得到车辆候选目标集P＝{(xt,yt)}t∈{1,2,3.......∞}，其中，t表示第t帧图像；
S4：在步骤S3)车辆目标候选集P中剔除步骤S1)中感兴趣区域以外的车辆目标，得到车辆最终目标候选集Q；
判断车辆候选目标集P中位于(xA,yA)处的某一车辆是否处于分割曲线Ln,左、Ln,右之间，首先将车辆A先与Ln,左曲线进行比较，将xA与Ln,左曲线上相同位置Ln,左(x左,yA)处的x左进行比较，同时将xA与Ln,右线上相同位置Ln,右(x右,yA)处的x右进行比较，若满足x左≤xA≤x右条件，则判定车辆A处于分割曲线的感兴趣区域内，保留该候选目标，否则剔除；对车辆目标候选集P中所有目标均做此判断，最终得到车辆候选目标集Q＝{(xt,yt)}t∈{1,2,3.......∞}；
S5：根据步骤S4)中获得的车辆最终目标候选集Q对车辆目标进行跟踪，并将目标车辆的位置信息进行统计，获取车辆运动轨迹；
采用粒子滤波算法对车辆进行轨迹跟踪，每辆被跟踪的目标车辆均保存前m帧的位置信息，轨迹信息记为Γm＝{(x1,y1),(x2,y2),......,(xm,ym)}；
S6：根据步骤S5)中的轨迹信息Γm对车辆运动轨迹进行行驶方向分析，再根据预先定义的逆向行驶方向判断其行驶方向是否与逆向行驶的方向一致；
预先定义逆向行驶方向，以获取的图像左上角为二维坐标的轴心、向右为x轴、向下为y轴，图像中车辆面向前端摄像头设备逆向行驶，即面向-y轴行驶为正向行驶方向，逆向行驶方向定义为y轴方向；
判定车辆逆行的准则为，计算被跟踪目标车辆轨迹信息Γm中{yi}i＝1,2,......,m之差，差之和记为diffsum＝∑t＝2,....,m(yt-yt-1)，若是diffsum大于0，则认为车辆正在逆行，否则为正常行驶。
还提供一种车辆逆行检测***，该***包括视频采集模块、模型训练模块、感兴趣区域设定模块、车辆检测模块、目标跟踪模块、逆行判定模块及语音报警模块，具体如下：
所述视频采集模块，包括监控摄像头、交换机、服务终端，交换机从网络摄像头中获取视频流，而后在服务终端通过视频解码技术提取视频图像；
所述监控摄像头，安装时对准正向行驶的车尾、逆向行驶的车头，且仅对一侧单向行驶道路进行监控；
所述模型训练模块，使用专业数据集采集设备收集车辆样本后，得到车辆样本集后，采用深度学习技术训练车辆检测模型；
所述感兴趣区域设定模块，从监控摄像头中获取一帧图像，然后在其中设定感兴趣区域，即需要对所监控道路的车辆进行逆行检测的区域；
所述车辆检测模块，从监控图像的感兴趣区域中提取出所有车辆目标，并保存车辆目标的位置信息和大小信息；
所述目标跟踪模块，根据检测到的车辆目标位置信息进行跟踪，统计行驶路径，得到跟踪轨迹信息；
所述逆行判定模块，用于判断车辆是否处于逆行行驶状态，通过车辆轨迹信息计算车辆的行驶方向，而后与预设的逆行方向进行对比，以此判断车辆是否逆行；
所述语音报警模块中设置有语音播报器或警报器，用于检测到车辆逆行时发出语音报警，及时提醒驾驶人。
有益效果：本发明通过对监控摄像头监控道路行驶车辆的实际位置与方向分析，有效地解决自主设定逆行方向的问题，同时利用深度学习技术对车辆目标进行分类检测和多目标跟踪技术以获得车辆的行驶轨迹进行实时跟踪，从而实现检测车辆逆行事件的实时性和准确性，有效降低逆行检测的误检率，也能够在事件发生第一时间内及时制止逆行车辆行驶人的违规行为，预防交通事故发生。
附图说明
图1为本发明的较佳实施例的流程示意图。
图2为本发明的较佳实施例的逆向行驶方向定义示意图。
图3为本发明的较佳实施例中的车辆逆行检测***连接示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
参见图1的一种车辆逆行检测方法，具体步骤如下：
S0：采集视频图像，对前端获取到的视频流使用解码器进行解码，获取rgb格式的三通道图像；
S1：对步骤S0)获取的三通道图像通过颜色空间转换，得到一通道的灰度图像；
GRAY＝R×0.299+G×0.587+B×0.114 (1)
S2：设定监控摄像头中需要检测车辆是否逆行的感兴趣区域；
采用人工标记法，在步骤S0)获取的三通道图像中使用左、右两条曲线将图像中需要监控的单向行驶道路进行标注分割，两条分割线分别记为Ln,左＝{(x1,y1),(x2,y2),......,(xn,yn)}、Ln,右＝{(x1,y1),(x2,y2),......,(xn,yn)}，其中(x,y)表示像素的位置信息，两条分割线之间的区域则为需要进行车辆逆行检测的感兴趣区域，即将Ln,左、Ln,右之间的区域设定为感兴趣区域；
S3：根据预训练的车辆检测模型与多尺度滑动窗口法，对灰度图像各区域进行车辆检测分析，获得车辆目标候选集P；
本实施例首先需要采集大量道路车辆样本图像，并将道路车辆样本图像裁剪到256×256尺寸，而后在裁剪后的道路车辆样本图像中标记车辆目标位置信息与大小，得到车辆样本集，再利用caffe工具采用基于CNN的深度学习技术对车辆样本集进行训练，得到车辆检测模型；
对车辆目标进行检测时，采用CNN网络中的多尺度滑动窗口方法进行候选目标区域提取，同时采用基于CNN的深度学习目标检测技术对所有候选目标进行分类检测，再根据分类将所有不具有车辆特征的候选目标剔除，保留车辆目标，并记录当前时刻车辆位置信息，得到车辆候选目标集P＝{(xt,yt)}t∈{1,2,3.......∞}，其中，t表示第t帧图像；
S4：在步骤S3)车辆目标候选集P中剔除步骤S1)中感兴趣区域以外的车辆目标，得到车辆最终目标候选集Q；
判断车辆候选目标集P中位于(xA,yA)处的某一车辆是否处于分割曲线Ln,左、Ln,右之间，首先将车辆A先与Ln,左曲线进行比较，将xA与Ln,左曲线上相同位置Ln,左(x左,yA)处的x左进行比较，同时将xA与Ln,右线上相同位置Ln,右(x右,yA)处的x右进行比较，若满足x左≤xA≤x右条件，则判定车辆A处于分割曲线的感兴趣区域内，则保留该候选目标，否则剔除。对车辆候选目标集P中所有目标均做此判断，最终得到车辆候选目标集Q＝{(xt,yt)}t∈{1,2,3.......∞}；
S5：根据步骤S4)中获得的车辆最终目标候选集Q对车辆目标进行跟踪，并将目标车辆的位置信息进行统计，获取车辆运动轨迹；
采用粒子滤波算法对车辆进行轨迹跟踪，每辆被跟踪的目标车辆均保存前m帧的位置信息，轨迹信息记为Γm＝{(x1,y1),(x2,y2),......,(xm,ym)}；
S6：根据步骤S5)中的轨迹信息Γm对车辆运动轨迹进行行驶方向分析，再根据预先定义的逆向行驶方向判断其行驶方向是否与逆向行驶的方向一致；
预先定义逆向行驶方向，如图2所示，以获取的图像左上角为二维坐标的轴心、向右为x轴、向下为y轴，图像中车辆面向前端摄像头设备逆向行驶，即面向-y轴行驶为正向行驶方向，逆向行驶方向定义为y轴方向；
判定车辆逆行的准则为：计算被跟踪目标车辆轨迹信息Γm中{yi}i＝1,2,......,m之差，差之和记为diffsum＝∑t＝2,....,m(yt-yt-1)，若是diffsum大于0，则认为车辆正在逆行，否则为正常行驶。
本实施例提供一种车辆逆行检测***，该***包括视频采集模块、模型训练模块、感兴趣区域设定模块、车辆检测模块、目标跟踪模块、逆行判定模块及语音报警模块，具体如下：
所述视频采集模块，包括监控摄像头、交换机、服务终端，监控摄像头通过交换机将视频信息进行网络传输，而后将视频流信息传送至服务器终端，服务终端通过视频解码技术提取视频图像；
所述监控摄像头，安装在道路的立杆上，不宜过高或过低，监控摄像头安装时将监控探头对准正向行驶的车尾、逆向行驶的车头，且仅对一侧的单向行驶道路进行监控；
所述模型训练模块，使用专业数据集采集设备收集大量车辆样本后，得到车辆样本集后，采用深度学习技术训练车辆检测模型；
所述感兴趣区域设定模块，从监控摄像头中获取一帧图像，然后在其中设定感兴趣区域，即需要对所监控道路的车辆进行逆行检测的区域；
所述车辆检测模块，从监控图像的感兴趣区域中提取出所有车辆目标，并保存车辆目标的位置信息和大小信息；
所述目标跟踪模块，根据检测到的车辆目标位置信息进行跟踪，统计行驶路径，得到跟踪轨迹信息；
所述逆行判定模块，用于判断车辆是否处于逆行行驶状态，通过车辆轨迹信息计算车辆的行驶方向，而后与预设的逆行方向进行对比，以此判断车辆是否逆行；
所述语音报警模块，用于检测到车辆逆行时发出语音报警，及时提醒驾驶人。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种车辆逆行检测方法，其特征在于，具体步骤如下：
S0：采集视频图像，对前端获取的视频流使用解码器进行解码，获取rgb格式的三通道图像；
S1：对步骤S0)获取的三通道图像通过颜色空间转换，得到一通道的灰度图像；
S2：设定监控摄像头中需要检测车辆是否逆行的感兴趣区域；
采用人工标记法，在步骤S0)获取的三通道图像中使用左、右两条曲线将图像中需要监控的单向行驶道路进行标注分割，两条分割线分别记为Ln,左＝{(x1,y1),(x2,y2),......,(xn,yn)}、Ln,右＝{(x1,y1),(x2,y2),......,(xn,yn)}，其中(x,y)表示像素的位置信息，两条分割线之间的区域则为需要进行车辆逆行检测的感兴趣区域，即将Ln,左、Ln,右之间的区域设定为感兴趣区域；
S3：根据预训练的车辆检测模型与多尺度滑动窗口法，对灰度图像各区域进行车辆检测分析，获得车辆目标候选集P；
S4：在步骤S3)车辆目标候选集P中剔除步骤S1)中感兴趣区域以外的车辆目标，得到车辆最终目标候选集Q；
S5：根据步骤S4)中获得的车辆最终目标候选集Q对车辆目标进行跟踪，并将目标车辆的位置信息进行统计，获取车辆运动轨迹；
采用粒子滤波算法对车辆进行轨迹跟踪，每辆被跟踪的目标车辆均保存前m帧的位置信息，轨迹信息记为Γm＝{(x1,y1),(x2,y2),......,(xm,ym)}；
S6：根据步骤S5)中的轨迹信息Γm对车辆运动轨迹进行行驶方向分析，再根据预先定义的逆向行驶方向判断其行驶方向是否存在逆向行驶。
2.根据权利要求1所述的一种车辆逆行检测方法，其特征在于，步骤S1)中，颜色空间转换公式：GRAY＝R×0.299+G×0.587+B×0.114。
3.根据权利要求1所述的一种车辆逆行检测方法，其特征在于，步骤S3)中，获得车辆目标候选集P流程为：
首先采集大量道路车辆样本图像，并将道路车辆样本图像裁剪到256×256尺寸，而后在裁剪后的道路车辆样本图像中标记车辆目标位置信息与大小，得到车辆样本集，再利用caffe工具采用基于CNN的深度学习技术对车辆样本集进行训练，得到车辆检测模型；
对车辆目标进行检测时，采用CNN网络中的多尺度滑动窗口方法进行候选目标区域提取，同时采用基于CNN的深度学习目标检测技术对所有候选目标进行分类检测，再根据分类将所有不具有车辆特征的候选目标剔除，保留车辆目标，并记录当前时刻车辆位置信息，得到车辆候选目标集P＝{(xt,yt)}t∈{1,2,3.......∞}，其中，t表示第t帧图像。
4.根据权利要求1所述的一种车辆逆行检测方法，其特征在于，步骤S4)中，获得车辆最终目标候选集Q流程为：
判断车辆候选目标集P中位于(xA,yA)处的某一车辆是否处于分割曲线Ln,左、Ln,右之间，首先将车辆A先与Ln,左曲线进行比较，将xA与Ln,左曲线上相同位置Ln,左(x左,yA)处的x左进行比较，同时将xA与Ln,右线上相同位置Ln,右(x右,yA)处的x右进行比较，若满足x左≤xA≤x右条件，则判定车辆A处于分割曲线的感兴趣区域内，则保留该候选目标，否则剔除；对车辆候选目标集P中的所有目标均做此判断，最终得到车辆候选目标集Q＝{(xt,yt)}t∈{1,2,3.......∞}。
5.根据权利要求1所述的一种车辆逆行检测方法，其特征在于，步骤S6)中，判断车辆存在逆向行驶流程为：
预先定义逆向行驶方向，以获取的图像左上角为二维坐标的轴心、向右为x轴、向下为y轴，图像中车辆面向前端摄像头设备逆向行驶，即面向-y轴行驶为正向行驶方向，逆向行驶方向定义为y轴方向；
判定车辆逆行的准则为：计算被跟踪目标车辆轨迹信息Γm中{yi}i＝1,2,......,m之差，差之和记为diffsum＝∑t＝2,....,m(yt-yt-1)，若是diffsum大于0，则认为车辆正在逆行，否则为正常行驶。
6.一种车辆逆行检测***，其特征在于，包括视频采集模块、模型训练模块、感兴趣区域设定模块、车辆检测模块、目标跟踪模块及逆行判定模块，其中，视频采集模块与模型训练模块连接，模型训练模块、感兴趣区域设定模块与车辆检测模块连接，车辆检测模块与目标跟踪模块连接，目标跟踪模块与逆行判定模块连接。
7.根据权利要求6所述的一种车辆逆行检测***，其特征在于，还包括语音报警模块，语音报警模块与逆行判定模块连接。
8.根据权利要求7所述的一种车辆逆行检测***，其特征在于，语音报警模块中设置有语音播报器。
9.根据权利要求7所述的一种车辆逆行检测***，其特征在于，语音报警模块中设置有警报器。
10.根据权利要求6所述的一种车辆逆行检测***，其特征在于，视频采集模块包括监控摄像头、交换机及服务终端，仅对一侧单向行驶道路进行监控的监控摄像头与交换机连接，交换机与服务终端连接。
CN201911223911.XA 2019-12-04 2019-12-04 一种车辆逆行检测方法及*** Pending CN111126171A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911223911.XA CN111126171A (zh) 2019-12-04 2019-12-04 一种车辆逆行检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911223911.XA CN111126171A (zh) 2019-12-04 2019-12-04 一种车辆逆行检测方法及***

Publications (1)

Publication Number Publication Date
CN111126171A true CN111126171A (zh) 2020-05-08

Family

ID=70497410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911223911.XA Pending CN111126171A (zh) 2019-12-04 2019-12-04 一种车辆逆行检测方法及***

Country Status (1)

Country Link
CN (1) CN111126171A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611901A (zh) * 2020-05-15 2020-09-01 北京百度网讯科技有限公司 车辆逆行检测方法、装置、设备以及存储介质
CN112233442A (zh) * 2020-09-11 2021-01-15 浙江吉利控股集团有限公司 应用于车辆的逆行预警方法和***
CN112364794A (zh) * 2020-11-18 2021-02-12 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习逆行检测方法
CN112804411A (zh) * 2020-10-29 2021-05-14 泰州程顺制冷设备有限公司 利用对象检测的数据压缩平台
CN113420748A (zh) * 2021-08-25 2021-09-21 深圳市城市交通规划设计研究中心股份有限公司 车辆违规行驶的检测方法、装置、电子设备及存储介质
CN113570877A (zh) * 2021-06-22 2021-10-29 淮阴工学院 一种非机动车逆行检测装置及检测方法
CN113706891A (zh) * 2020-05-20 2021-11-26 阿里巴巴集团控股有限公司 交通数据传输方法、装置、电子设备和存储介质
CN114446062A (zh) * 2022-01-28 2022-05-06 刘银环 基于大数据服务的动态调配***及方法
CN114882393A (zh) * 2022-03-29 2022-08-09 华南理工大学 一种基于目标检测的道路逆行与交通事故事件检测方法
US20220297685A1 (en) * 2021-03-18 2022-09-22 Hyundai Mobis Co., Ltd. Vehicle control system and method

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100473A1 (en) * 2006-10-25 2008-05-01 Siemens Corporate Research, Inc. Spatial-temporal Image Analysis in Vehicle Detection Systems
CN101593422A (zh) * 2009-06-15 2009-12-02 无锡骏聿科技有限公司 一种基于视频追踪和模式识别的交通违规检测方法
CN102902955A (zh) * 2012-08-30 2013-01-30 中国科学技术大学 一种车辆行为的智能分析方法及***
CN104200490A (zh) * 2014-08-14 2014-12-10 华南理工大学 一种复杂环境下的快速逆行检测跟踪监控方法
CN106845424A (zh) * 2017-01-24 2017-06-13 南京大学 基于深度卷积网络的路面遗留物检测方法
CN106874863A (zh) * 2017-01-24 2017-06-20 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法
CN107886055A (zh) * 2017-10-27 2018-04-06 中国科学院声学研究所 一种用于车辆运动方向判定的逆行检测方法
CN108073690A (zh) * 2017-11-30 2018-05-25 江西洪都航空工业集团有限责任公司 一种视频目标检索方法
CN109074739A (zh) * 2016-03-01 2018-12-21 三菱电机株式会社 逆行抑制装置、逆行抑制方法及逆行抑制***
CN109326124A (zh) * 2018-10-17 2019-02-12 江西洪都航空工业集团有限责任公司 一种基于机器视觉的城市环境停放车辆行为识别***
CN109661667A (zh) * 2016-10-14 2019-04-19 富士通株式会社 车辆逆行检测装置及方法、电子设备
CN109887281A (zh) * 2019-03-01 2019-06-14 北京云星宇交通科技股份有限公司 一种监控交通事件的方法及***
CN109948582A (zh) * 2019-03-28 2019-06-28 湖南大学 一种基于跟踪轨迹分析的车辆逆行智能检测方法
AU2019100914A4 (en) * 2019-08-16 2019-09-26 Weifang University Method for identifying an intersection violation video based on camera cooperative relay
CN110415272A (zh) * 2019-07-08 2019-11-05 东华大学 一种电瓶车逆行检测***及方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080100473A1 (en) * 2006-10-25 2008-05-01 Siemens Corporate Research, Inc. Spatial-temporal Image Analysis in Vehicle Detection Systems
CN101593422A (zh) * 2009-06-15 2009-12-02 无锡骏聿科技有限公司 一种基于视频追踪和模式识别的交通违规检测方法
CN102902955A (zh) * 2012-08-30 2013-01-30 中国科学技术大学 一种车辆行为的智能分析方法及***
CN104200490A (zh) * 2014-08-14 2014-12-10 华南理工大学 一种复杂环境下的快速逆行检测跟踪监控方法
CN109074739A (zh) * 2016-03-01 2018-12-21 三菱电机株式会社 逆行抑制装置、逆行抑制方法及逆行抑制***
CN109661667A (zh) * 2016-10-14 2019-04-19 富士通株式会社 车辆逆行检测装置及方法、电子设备
CN106845424A (zh) * 2017-01-24 2017-06-13 南京大学 基于深度卷积网络的路面遗留物检测方法
CN106874863A (zh) * 2017-01-24 2017-06-20 南京大学 基于深度卷积神经网络的车辆违停逆行检测方法
CN107886055A (zh) * 2017-10-27 2018-04-06 中国科学院声学研究所 一种用于车辆运动方向判定的逆行检测方法
CN108073690A (zh) * 2017-11-30 2018-05-25 江西洪都航空工业集团有限责任公司 一种视频目标检索方法
CN109326124A (zh) * 2018-10-17 2019-02-12 江西洪都航空工业集团有限责任公司 一种基于机器视觉的城市环境停放车辆行为识别***
CN109887281A (zh) * 2019-03-01 2019-06-14 北京云星宇交通科技股份有限公司 一种监控交通事件的方法及***
CN109948582A (zh) * 2019-03-28 2019-06-28 湖南大学 一种基于跟踪轨迹分析的车辆逆行智能检测方法
CN110415272A (zh) * 2019-07-08 2019-11-05 东华大学 一种电瓶车逆行检测***及方法
AU2019100914A4 (en) * 2019-08-16 2019-09-26 Weifang University Method for identifying an intersection violation video based on camera cooperative relay

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
QING YE 等: "Vehicle Statistics and Retrograde Detection Based on Characteristic Analysis", 《APPLIED MECHANICS AND MATERIALS VOLS 556-562》 *
YINGHONG LI 等: "Video-based Intelligent Multi-drive Vehicle Retrograde Detection", 《2010 3RD INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING (CISP2010)》 *
王鹏 等: "基于视频的夜间高速公路车辆事件检测", 《中国图象图形学报》 *
许宏科 等: "基于视频的单车道车辆逆行检测方法", 《交通信息与安全》 *
郭锋: "基于目标跟踪的交通逆行事件检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611901B (zh) * 2020-05-15 2023-10-03 北京百度网讯科技有限公司 车辆逆行检测方法、装置、设备以及存储介质
CN111611901A (zh) * 2020-05-15 2020-09-01 北京百度网讯科技有限公司 车辆逆行检测方法、装置、设备以及存储介质
CN113706891A (zh) * 2020-05-20 2021-11-26 阿里巴巴集团控股有限公司 交通数据传输方法、装置、电子设备和存储介质
CN112233442A (zh) * 2020-09-11 2021-01-15 浙江吉利控股集团有限公司 应用于车辆的逆行预警方法和***
CN112804411A (zh) * 2020-10-29 2021-05-14 泰州程顺制冷设备有限公司 利用对象检测的数据压缩平台
CN112364794A (zh) * 2020-11-18 2021-02-12 合肥湛达智能科技有限公司 一种基于嵌入式终端的深度学习逆行检测方法
US20220297685A1 (en) * 2021-03-18 2022-09-22 Hyundai Mobis Co., Ltd. Vehicle control system and method
CN113570877A (zh) * 2021-06-22 2021-10-29 淮阴工学院 一种非机动车逆行检测装置及检测方法
CN113420748A (zh) * 2021-08-25 2021-09-21 深圳市城市交通规划设计研究中心股份有限公司 车辆违规行驶的检测方法、装置、电子设备及存储介质
CN113420748B (zh) * 2021-08-25 2022-02-01 深圳市城市交通规划设计研究中心股份有限公司 车辆违规行驶的检测方法、装置、电子设备及存储介质
CN114446062A (zh) * 2022-01-28 2022-05-06 刘银环 基于大数据服务的动态调配***及方法
CN114446062B (zh) * 2022-01-28 2022-09-27 深圳市八度云计算信息技术有限公司 基于大数据服务的动态调配***及方法
CN114882393A (zh) * 2022-03-29 2022-08-09 华南理工大学 一种基于目标检测的道路逆行与交通事故事件检测方法
CN114882393B (zh) * 2022-03-29 2023-04-07 华南理工大学 一种基于目标检测的道路逆行与交通事故事件检测方法

Similar Documents

Publication Publication Date Title
CN111126171A (zh) 一种车辆逆行检测方法及***
CN109948582B (zh) 一种基于跟踪轨迹分析的车辆逆行智能检测方法
CN105744232B (zh) 一种基于行为分析技术的输电线路视频防外破的方法
CN104751634B (zh) 高速公路隧道行车图像采集信息的综合应用方法
CN102945603B (zh) 检测交通事件的方法及电子警察装置
CN108986472B (zh) 一种掉头车辆监控方法及装置
CN110796862B (zh) 一种基于人工智能的高速公路交通状况检测***及方法
CN103226891B (zh) 一种基于视频的车辆碰撞事故检测方法及***
CN110298300B (zh) 一种检测车辆违章压线的方法
CN106530831A (zh) 一种高威胁车辆监测预警***及方法
CN109448365A (zh) 一种跨尺度空基平台区域道路交通***综合监视方法
CN113676702B (zh) 基于视频流的目标追踪监测方法、***、装置及存储介质
CN110930723B (zh) 一种违法停车检测实现方法
CN110738857A (zh) 一种车辆违章取证方法、装置及设备
CN104809887A (zh) 一种高速公路上车辆逆行检测方法与自动报警装置
CN113033275B (zh) 基于深度学习的车辆变道不打转向灯分析***
CN102496275A (zh) 客车超载检测方法
CN111754786A (zh) 一种识别高速公路交通工具通行事件的***
CN112381014A (zh) 一种基于城市道路的违停车辆检测及管理方法及***
CN105574502A (zh) 一种自助发卡机违章行为自动检测方法
CN110070729A (zh) 一种基于雾计算的违停车辆检测***及方法
CN110809137A (zh) 一种校园安全防踩踏监控***及方法
CN113487878A (zh) 一种机动车违章压线行驶检测方法及***
CN112991769A (zh) 基于视频的交通量调查方法和装置
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508